智能語(yǔ)音交互是基于語(yǔ)音輸入的新一代交互模式，通過(guò)說(shuō)話就可以得到反饋結(jié)果?？梢岳斫鉃槿祟?lèi)與機(jī)器間通過(guò)自然語(yǔ)言完成信息傳遞的技術(shù)。

語(yǔ)音交互的完整流程，如下圖所示。

通常，根據(jù)距離遠(yuǎn)近語(yǔ)音交互場(chǎng)景可分為兩種：

近場(chǎng)語(yǔ)音場(chǎng)景：通常通過(guò)按鍵激活，例如智能手機(jī)等便攜設(shè)備。

遠(yuǎn)場(chǎng)語(yǔ)音場(chǎng)景：通常通過(guò)喚醒詞激活，例如智能音箱等固定設(shè)備。

遠(yuǎn)場(chǎng)語(yǔ)音場(chǎng)景下，在產(chǎn)品策略上通常會(huì)采取兩種方案，以提高喚醒的準(zhǔn)確率：

將喚醒詞的音節(jié)長(zhǎng)度增加到4音節(jié)。這是因?yàn)橐艄?jié)越長(zhǎng)，喚醒的準(zhǔn)確率就會(huì)越高。比如：“小興小興”的喚醒準(zhǔn)確率遠(yuǎn)高于“小興”。

白天只對(duì)喚醒詞做本地校驗(yàn)，夜間則再增加云端二次校驗(yàn)。這是喚醒速度和準(zhǔn)確率間的平衡策略。

白天用戶更看重響應(yīng)速度，發(fā)生偶爾的誤喚醒用戶能理解或接受，這時(shí)候僅由本地的喚醒檢測(cè)模塊進(jìn)行快速檢測(cè)，保證 700 ms 內(nèi)快速響應(yīng)用戶。

晚上睡覺(jué)時(shí)用戶對(duì)誤喚醒是零容忍的，這時(shí)候就要偏重喚醒的準(zhǔn)確度，將本地檢測(cè)過(guò)的語(yǔ)音上傳到云端進(jìn)行二次確認(rèn)，再?zèng)Q定本地是否響應(yīng)。

語(yǔ)音識(shí)別階段的主要作用是采集用于語(yǔ)音，并將語(yǔ)音轉(zhuǎn)換為文字，該階段主要做兩件事情：

1. 尋向降噪。

尋向的作用就是判斷用戶方向，由用戶方向的麥克風(fēng)采集語(yǔ)音數(shù)據(jù)，保證語(yǔ)音的數(shù)據(jù)是最清晰的。降噪是對(duì)環(huán)境音進(jìn)行消除，提高識(shí)別準(zhǔn)確率。

2. 識(shí)別語(yǔ)音并轉(zhuǎn)換成文字。

為提高特定內(nèi)容的識(shí)別率，一般都會(huì)提供熱詞服務(wù)，配置的熱詞內(nèi)容實(shí)時(shí)生效，并且會(huì)提升 ASR 結(jié)果的識(shí)別權(quán)重，在一定程度上提高 ASR 識(shí)別的準(zhǔn)確率。

語(yǔ)義理解就是嘗試?yán)斫馊祟?lèi)的語(yǔ)言，即把語(yǔ)音識(shí)別的結(jié)果轉(zhuǎn)成結(jié)構(gòu)化的、機(jī)器能夠理解的語(yǔ)言。

NLU 的工作邏輯是將用戶的指令進(jìn)行 Domain（領(lǐng)域）→Intent（意圖）→Slot（詞槽）三級(jí)拆分。

例如：“設(shè)置一個(gè)明早 8 點(diǎn)的鬧鐘”這樣一條指令，經(jīng)過(guò) NLU 處理，用戶的指令則被拆分為如下三級(jí)：

領(lǐng)域：“鬧鐘”

意圖：“設(shè)置鬧鐘”

詞槽：“明早8點(diǎn)”

先決策。機(jī)器在對(duì)話過(guò)程中不斷根據(jù)當(dāng)前的狀態(tài)決策下一步應(yīng)該采取的最優(yōu)動(dòng)作。

再執(zhí)行。如提供結(jié)果，詢問(wèn)特定限制條件，澄清或確認(rèn)需求，調(diào)用各種 Skill 技能（AI 時(shí)代的 APP），從而最有效的輔助用戶完成信息或服務(wù)的獲取。

NLG 的主要目的是降低人類(lèi)和機(jī)器之間的溝通鴻溝，將非語(yǔ)言格式的數(shù)據(jù)轉(zhuǎn)換成人類(lèi)可以理解的語(yǔ)言格式。簡(jiǎn)單的 NLG 可以將數(shù)據(jù)進(jìn)行合并處理，而高級(jí)的 NLG 則可以理解數(shù)據(jù)想要表達(dá)的意圖，并考慮上下文，呈現(xiàn)出可以輕松閱讀的內(nèi)容。

目前在一些有比較明顯規(guī)則的領(lǐng)域中，比如體育新聞，已經(jīng)可以借助 NLG 進(jìn)行新聞的自動(dòng)發(fā)布了。也許你現(xiàn)在正在看的一篇文章就是由機(jī)器生成的~

將文字內(nèi)容轉(zhuǎn)換成語(yǔ)音輸出，讓機(jī)器跟我們對(duì)話。這涉及到兩個(gè)過(guò)程：

將從文字內(nèi)容轉(zhuǎn)換成語(yǔ)音輸出，讓機(jī)器說(shuō)話。

合成語(yǔ)音：狹義上專(zhuān)指根據(jù)音素序列（以及標(biāo)注好的起止時(shí)間、頻率變化等信息）生成語(yǔ)音，廣義上它也可以包括文本處理的步驟。

家庭中語(yǔ)音交互的主要應(yīng)用場(chǎng)景包括：

Internet，語(yǔ)音查詢資訊▲

IPTV/OTT，語(yǔ)音播控影視▲

IMS固話，語(yǔ)音免提撥號(hào)▲

IOT智家，語(yǔ)音控制家電▲

可能，你覺(jué)得上面的小盒子只是個(gè)智能音箱？

其實(shí)，它開(kāi)屏是盒子，息屏是音箱~

目前，它已經(jīng)在各電信營(yíng)業(yè)廳上架的路上了...

現(xiàn)在，你是不是已經(jīng)迫不及待地想盤(pán)它了呢？

我們先通過(guò)下面的短視頻了解一下吧！

縮略語(yǔ)：

ASR：Automatic Speech Recognition，自動(dòng)語(yǔ)音識(shí)別技術(shù)

NLU：Natural Language Understanding，自然語(yǔ)言理解

DM：Dialog Management，對(duì)話管理

NLG：Natural Language Generation，自然語(yǔ)言生成

TTS：Text To Speech，從文本到語(yǔ)音

NLP：Natural Language Processing，自然語(yǔ)言處理

IPTV：Internet Protocol Television，網(wǎng)際協(xié)議電視

OTT：Over The Top，通過(guò)互聯(lián)網(wǎng)向用戶提供各種應(yīng)用服務(wù)

IMS：Interactive Multimedia Service，交互式多媒體服務(wù)

IOT：Internet of Things，物聯(lián)網(wǎng)